【摘要】：近年來(lái),隨著人工智能技術(shù)的發(fā)展,深度學(xué)習(xí)受到越來(lái)越多專業(yè)學(xué)者的關(guān)注。自動(dòng)編碼器是一種典型的深度學(xué)習(xí)算法,堆疊自動(dòng)編碼器通過(guò)將多個(gè)自動(dòng)編碼器堆疊級(jí)聯(lián)而成,以其優(yōu)秀的特征提取能力被廣泛應(yīng)用于高維數(shù)據(jù)的降維處理中,尤其是非線性數(shù)據(jù)的處理,效果良好。但是在堆疊自動(dòng)編碼器數(shù)據(jù)降維中,無(wú)法評(píng)估提取的信息是否包含噪聲。低秩矩陣恢復(fù)算法通過(guò)矩陣分解獲取數(shù)據(jù)的低秩成分,從而實(shí)現(xiàn)了數(shù)據(jù)降噪。本文結(jié)合堆疊自動(dòng)編碼器的降維優(yōu)勢(shì)和低秩矩陣恢復(fù)算法的降噪優(yōu)勢(shì),提出一種自動(dòng)編碼器的改進(jìn)算法—低秩自動(dòng)編碼器算法,通過(guò)提取數(shù)據(jù)的深度魯棒特征,提升自動(dòng)編碼器的算法性能。我國(guó)是大米的生產(chǎn)大國(guó)和消費(fèi)大國(guó),蛋白質(zhì)含量是大米營(yíng)養(yǎng)價(jià)值的重要指標(biāo),高光譜圖像技術(shù)可以實(shí)現(xiàn)大米蛋白質(zhì)含量的無(wú)損檢測(cè),但高光譜圖像數(shù)據(jù)量大,且各波段間的信息具有較強(qiáng)的相關(guān)性,傳統(tǒng)的線性降維手段在非線性數(shù)據(jù)降維上無(wú)法滿足要求,同時(shí)高光譜圖像夾雜的噪聲也制約著最終分析的效果。本文以大米為研究對(duì)象,應(yīng)用低秩自動(dòng)編碼器學(xué)習(xí)大米樣本高光譜圖像的深度魯棒特征,并采用支持向量機(jī)回歸構(gòu)建大米樣本蛋白質(zhì)含量分析模型,實(shí)現(xiàn)了快速、精確、無(wú)損的大米蛋白質(zhì)含量檢測(cè),驗(yàn)證了低秩自動(dòng)編碼器的高效性。具體研究?jī)?nèi)容和結(jié)論如下:(1)研究了自動(dòng)編碼器的原理并進(jìn)行了算法改進(jìn)。自動(dòng)編碼器具有優(yōu)秀的特征提取能力,堆疊自動(dòng)編碼器通過(guò)將多個(gè)自動(dòng)編碼器進(jìn)行堆疊級(jí)聯(lián)而成,大幅提升了算法性能。應(yīng)用低秩矩陣恢復(fù)算法于數(shù)據(jù)降噪的研究日趨成熟。本文結(jié)合堆疊自動(dòng)編碼器和低秩矩陣恢復(fù)算法,提出低秩自動(dòng)編碼器算法,在堆疊自動(dòng)編碼器訓(xùn)練網(wǎng)絡(luò)的每一層隱含層訓(xùn)練前加入了低秩分解層,提取每一層神經(jīng)元數(shù)據(jù)低秩或近似低秩的結(jié)構(gòu),該結(jié)構(gòu)去除了大量噪聲,然后進(jìn)行相應(yīng)隱含層數(shù)據(jù)的訓(xùn)練,設(shè)置合適的編碼網(wǎng)絡(luò)層數(shù)及各層神經(jīng)元個(gè)數(shù)等參數(shù),采用逐層貪婪訓(xùn)練法訓(xùn)練網(wǎng)絡(luò),最終提取最后一層隱含層的神經(jīng)元信息,即訓(xùn)練數(shù)據(jù)的深度魯棒特征。(2)獲取了大米樣本高光譜圖像的光譜信息和圖像信息。采集420個(gè)大米樣本的高光譜圖像(400-1000nm),獲取感興趣區(qū)域內(nèi)平均光譜值作為樣本的光譜信息,同時(shí),分離感興趣區(qū)域內(nèi)各波段圖像,每個(gè)樣本得到478幅單波段圖像,作為樣本的圖像信息。(3)從光譜信息、圖像信息及光譜-圖像融合信息三個(gè)角度出發(fā),采用主成分分析、堆疊自動(dòng)編碼器和低秩自動(dòng)編碼器三種算法分別進(jìn)行了特征提取,并結(jié)合支持向量機(jī)回歸構(gòu)建預(yù)測(cè)模型,以各模型效果為準(zhǔn),評(píng)估三種算法的特征提取性能。第一,基于光譜信息的光譜特征構(gòu)建預(yù)測(cè)模型。在特征提取前,對(duì)原始高光譜采用SG預(yù)處理,從而減少了采集過(guò)程中各種噪聲的影響,然后基于三種特征提取方法提取的特征,構(gòu)建大米蛋白質(zhì)含量預(yù)測(cè)模型。結(jié)果顯示,基于低秩自動(dòng)編碼器提取的深度魯棒光譜特征建立的模型預(yù)測(cè)效果最佳,_C~2為0.9926,RMSEC為0.0437,_P~2為0.9394,RMSEP為0.1232。第二,基于圖像信息的圖像特征構(gòu)建預(yù)測(cè)模型。首先對(duì)獲取的圖像統(tǒng)一尺寸并轉(zhuǎn)換為28像素×28像素的灰度圖,進(jìn)一步對(duì)灰度圖作扁平化處理,變換為784維的列向量,然后基于三種特征提取方法提取的特征,構(gòu)建大米蛋白質(zhì)含量預(yù)測(cè)模型。結(jié)果同樣顯示,基于低秩自動(dòng)編碼器提取的深度魯棒圖像特征建立的模型預(yù)測(cè)效果最佳,_C~2為0.9569,RMSEC為0.0860,_P~2為0.8769,RMSEP為0.3394。第三,基于光譜-圖像融合信息的融合特征構(gòu)建預(yù)測(cè)模型。將478維的光譜信息和784維的圖像信息進(jìn)行有機(jī)融合,形成1262維的光譜-圖像融合信息,基于三種特征提取方法提取的特征,構(gòu)建大米蛋白質(zhì)含量預(yù)測(cè)模型。結(jié)果顯示,基于低秩自動(dòng)編碼器提取的深度魯棒融合特征建立的模型預(yù)測(cè)效果同樣最佳,_C~2為0.9931,RMSEC為0.04,_P~2為0.9619,RMSEP為0.0854。縱觀三種模型,相較于主成分分析法和堆疊自動(dòng)編碼器,基于低秩自動(dòng)編碼器提取特征建模的性能最好,驗(yàn)證了低秩自動(dòng)編碼器的高效性。同時(shí),基于光譜-圖像融合信息的深度魯棒融合特征建模的效果是三個(gè)模型中最佳的,說(shuō)明基于高光譜圖像光譜信息和圖像信息的融合信息進(jìn)行特征提取,建立分析模型,能夠?qū)崿F(xiàn)更高效率的大米蛋白質(zhì)含量快速、精確、無(wú)損檢測(cè)。
【圖文】：

米在存放過(guò)程中，由于存在蛋白質(zhì)低，，導(dǎo)致總蛋白質(zhì)含量呈逐漸減少化學(xué)反應(yīng)，因此，為了加快大米內(nèi)梯度的大米樣本，試驗(yàn)前于鎮(zhèn)江某香米 1kg，共稱取 6 組樣本，每組恒濕箱內(nèi)（上海一恒科學(xué)儀器有限95%相對(duì)濕度的環(huán)境條件下分別放組樣本中選取 30 粒大小相近、顆組選取 70 次計(jì) 70 個(gè)樣本，共制備光譜實(shí)驗(yàn)室采集高光譜圖像。

Fig. 3.1 Constant temperature and humidity incubator3.2 高光譜圖像采集本試驗(yàn)采用的高光譜成像系統(tǒng)實(shí)物圖如圖3.2所示，系統(tǒng)結(jié)構(gòu)如圖3.3所示，主要包括光纖、鹵素?zé)艄庠矗║BerLED100 型，IT，USA）、分光模具（V10E 型，
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TS210.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董高;郭建;王成;陳子龍;鄭玲;朱大洲;;基于近紅外高光譜成像及信息融合的小麥品種分類研究[J];光譜學(xué)與光譜分析;2015年12期

2 金瑞;李小昱;顏伊蕓;徐夢(mèng)玲;庫(kù)靜;徐森淼;胡雪雪;;基于高光譜圖像和光譜信息融合的馬鈴薯多指標(biāo)檢測(cè)方法[J];農(nóng)業(yè)工程學(xué)報(bào);2015年16期

3 趙娟;彭彥昆;;基于高光譜圖像紋理特征的牛肉嫩度分布評(píng)價(jià)[J];農(nóng)業(yè)工程學(xué)報(bào);2015年07期

4 孫俊;金夏明;毛罕平;武小紅;楊寧;;高光譜圖像技術(shù)在摻假大米檢測(cè)中的應(yīng)用[J];農(nóng)業(yè)工程學(xué)報(bào);2014年21期

5 孫俊;金夏明;毛罕平;武小紅;朱文靜;張曉東;高洪燕;;基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);2014年10期

6 朱文靜;毛罕平;周瑩;張曉東;;基于高光譜圖像技術(shù)的番茄葉片氮素營(yíng)養(yǎng)診斷[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

7 劉明博;唐延林;李曉利;李玉鵬;凌智鋼;;大米蛋白質(zhì)含量近紅外光譜檢測(cè)模型研究[J];中國(guó)農(nóng)學(xué)通報(bào);2013年12期

8 孫威;劉英;;高氣溫高濕環(huán)境對(duì)大米氨基酸的影響[J];武漢工業(yè)學(xué)院學(xué)報(bào);2013年01期

9 史加榮;鄭秀云;魏宗田;楊威;;低秩矩陣恢復(fù)算法綜述[J];計(jì)算機(jī)應(yīng)用研究;2013年06期

10 彭義剛;索津莉;戴瓊海;徐文立;;從壓縮傳感到低秩矩陣恢復(fù):理論與應(yīng)用[J];自動(dòng)化學(xué)報(bào);2013年07期

本文編號(hào)：2686707